Máster de Estadística Aplicada con R Software

Metodología: 100% online

Plazos de inscripción consultar: vía Contáctanos, +34635659391, Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

Titulación Máster Título propio de la Universidad Pública Rey Juan Carlos de Madrid.

Precio: 1900 € Consultar formas de pagos

Duración Máster compleo: 9 meses - 600 horas - 60 créditos ECTS

Plazo abierto de matrícula hasta el 21 de marzo de 2018

El objetivo principal del Máster es dotar al estudiante de las capacidades y destrezas necesarias para aplicar técnicas de análisis estadístico a la resolución de problemas reales de diversa índole, con el objeto de descubrir la información que contienen, generar predicciones, y comunicar de manera adecuada los resultados para elaborar conclusiones que faciliten la toma de decisiones en situaciones complejas.

En particular, el alumno será capaz de:

1. Integrar los conocimientos teóricos y prácticos necesarios para el análisis estadístico de datos;
2. Adquirir destrezas en la utilización correcta y racional del principal software estadístico (software R);
3. Poner en práctica los conocimientos adquiridos, aplicándolos a casos reales en el ámbito de las Ciencias

Este Máster en Estadística Aplicada con R software: técnicas clásicas, robustas, avanzadas y multivariantes, se dirige a alumnos con diferentes grados de formación: Diplomados, Ingenieros Técnicos, Licenciados e Ingenieros Superiores, Graduados, estudiantes de posgrado, Doctores e Investigadores... en distintas áreas científicas.

Desde el punto de vista profesional, lo que se pretende es proporcionar a los alumnos todos los conocimientos prácticos de estadística avanzada para que los trasladen de una forma eficiente a sus áreas de trabajo diarias. Esta formación global facilitará el acceso a puestos de trabajo altamente cualificados (en empresas u organismos públicos) y promocionará el trabajo en grupos multidisciplinares.

El desarrollo y seguimiento del curso se realizará on-line a través de nuestro Campus basado en la plataforma Moodle.
Las actividades propuestas serán de carácter teórico-práctico, que permitirán asimilar y poner en práctica los conocimientos adquiridos.

No es necesario tener conocimientos previos de Estadística ni de programación en R, en este Máster el alumno se introducirá desde un nivel elemental y de forma progresiva a las herramientas estadísticas necesarias para el desarrollo del mismo.

PROGRAMA

Se trata de un programa completamente virtual con 60 ECTS que se desarrolla en tres módulos de formación:

• Técnicas clásicas y robustas. (15 ECTS). PRIMER MÓDULO.  Tres meses.
• Técnicas avanzadas. (15 ECTS). SEGUNDO MÓDULO. Tres meses.
• Técnicas Multivariantes (30 ECTS). TERCER MÓDULO. Tres meses.

Por sus especiales características la mayoría de temas tienen un carácter continuo, progresivamente se profundiza en sus contenidos y se relacionan todas las técnicas del principio al final del programa. Las competencias adquiridas van evolucionando desde los aspectos más básicos hasta el nivel avanzado objetivo del Máster.

CONTENIDO

PRIMER MÓDULO: TÉCNICAS CLÁSICAS Y ROBUSTAS.

Este módulo te ayudará a lidiar con datos complejos (muestras de pequeño tamaño, presencia de datos extremos o atípicos, el incumplimiento de los supuestos clásicos de la estadística -normalidad y homogeneidad de varianza-). 

Comenzamos con una rápida introducción al Software R  y a las herramientas de gestión y manipulación de bases de datos. Aplicarás herramientas de estadística descriptiva clásica y conocerás técnicas actuales de estadística robusta que te permitirán obtener resultados más fiables. Serás capaz de generar gráficos potentes para resumir los principales patrones de tus datos. Profundizarás en los contrastes de hipótesis (paramétricos, no paramétricos y robustos) con los que pondrás a prueba las preguntas de tu investigación. 

Te enseñaremos a elegir la técnica más adecuada a cada caso para que saques el mayor partido a tus datos. Y por último veremos cómo informar de tus resultados estadísticos, aprenderás a detectar el alcance de tus resultados, la potencia estadística de tus análisis y cómo necesitas plantear tu estudio para obtener más chance de detectar efectos significativos.

Este primer módulo contiene los temas 1-4 

• TEMA 1. SOFTWARE R. Manejo de bases de datos en el software R. Programación.
• TEMA 2. ESTADÍSTICA DESCRIPTIVA. Variables categóricas y numéricas. Estadísticos clásicos y robustos. Gráficos avanzados.
• TEMA 3. ESTADÍSTICA INFERENCIAL. Pruebas paramétricas, no paramétricas y robustas.
• TEMA 4. REGRESIÓN Y CORRELACIÓN. Correlación simple, múltiple, parcial y robusta. Regresión lineal simple y múltiple. Selección de variables y transformaciones. Regresión robusta simple y múltiple.

SEGUNDO MÓDULO: TÉCNICAS AVANZADAS

Aprenderás diseños experimentales y modelos avanzados de análisis estadístico. Este módulo te permitirá analizar tus datos según su diseño experimental y crear diseños experimentales óptimos para responder a tus preguntas de investigación.

También utilizarás técnicas avanzadas de modelado para predecir comportamientos. Modelos aditivos (AM), lineales generalizados (GLM, de Poisson, Binomiales negativos y Logísticos), mixtos (MM) y sus combinaciones (GAM, GAMM, GLMM). Los modelos mixtos, que están tan de moda, permiten modelar varianzas no constantes, efectos aleatorios y datos correlacionados (temporales y/o espaciales).

Este segundo módulo contiene los temas 5 y 6.

• TEMA 5. DISEÑO EXPERIMENTAL ANOVA uni y bi-factorial. Diseño experimental por bloques aleatorizados, Diseño de medidas repetidas, Diseño split-plot, Diseño anidado o jerárquico y ANCOVA.
• TEMA 6. MODELOS AVANZADOS. Modelo lineal (LM), Modelo aditivo (AM), Modelo lineal generalizado (GLM) univariante, Modelo aditivo generalizado (GAM), Introducción al Modelo mixto (MM).

TERCER MÓDULO: TÉCNICAS MULTIVARIANTES

Estas técnicas actuales se conocen como Big Data o Data mining y se han puesto muy de moda debido a su capacidad de analizar grandes volúmenes de datos y estudios donde tenemos múltiples variables respuesta (biomarcadores, perfiles de clientes, etc.).. Aprenderás métodos de clasificación automática o no supervisada como los Análisis Cluster y métodos de clasificación supervisada como el Análisis Discriminante y los Árboles de Regresión Multivariantes.

Aplicarás distintas técnicas probar si existen diferencias significativas entre grupos para un conjunto de variables respuesta (MANOVA, ANOSIM, ADONIS, MRPP, Mantel) y técnicas de ordenación y reducción de las dimensiones de los datos.

Este segundo módulo contiene los temas 7-10.

• TEMA 7. CLASIFICACIÓN. Análisis de conglomerados (Cluster) jerárquico y no jerárquico.
• TEMA 8. DISCRIMINACIÓN. Análisis discriminante (LDA) y Árbol de regresión multivariada (MRT).
• TEMA 9. COMPARACIÓN MULTIVARIANTE. Pruebas para diferencias multivariadas entre grupos (MANOVA, MRPP, ANOSIM, NPMANOVA, MANTEL).
• TEMA 10. ORDENACIÓN Y EXPLICACIÓN. Análisis de correspondencias (CA), CA sin tendencia (DCA), CA parcial (pCA), y CA canónico (CCA), Análisis de componentes principales (PCA), Análisis de redundancia (RDA).

El Coordinador académico del máster es Camilo Prado y la Directora académica es Alicia Blanco, de la Universidad Rey Juan Carlos. La docente responsable del Máster es Rosana Ferrero..

SOBRE DE LA DOCENTE DEL MÁSTER:

Rosana Ferrero es científica de datos y profesora del Máster en Estadística Aplicada con R Software, donde comparte estrategias, tácticas y herramientas estadísticas para tomar las riendas de tus datos, generar resultados de valor y conclusiones robustas para que tu trabajo sea un éxito.

Participa en varios centros de investigación como el IAS-CSIC, CAPES y LINCGlobal.